Stränglikhet

Stränglikhet mäter hur lika två textsträngar är varandra. Det används i stavningskontroll, DNA-analys, plagiatdetektering och dededuplicering av data.

Levenshtein-avstånd (redigeringsavstånd) mäter det minsta antalet enstaka teckenredigeringar — infogningar, raderingar eller ersättningar — som behövs för att omvandla en sträng till en annan. Till exempel är avståndet mellan "cat" och "bat" lika med 1.

Jaro-Winkler ger högre poäng till strängar som delar ett gemensamt prefix. Används ofta för att matcha namn, adresser och poster i databaser.

Cosinus-likhet delar upp strängar i tecken-n-gram, omvandlar dem till vektorer och mäter cosinus av vinkeln mellan dem. Fungerar bra för längre texter.

Cosinus-likhet använder n-gram-frekvensvektorer och mäter vinkeln mellan dem, medan Jaccard jämför n-gram-mängder med kvoten snittmängda/union. Jaccard ignorerar dubbletter; cosinus gör det inte.

Hamming-avstånd räknar antalet positioner där motsvarande tecken skiljer sig mellan två lika långa strängar. Det fungerar bara med strängar av samma längd.

Sørensen-Dice-koefficienten mäter likhet baserat på antalet delade bigram i förhållande till det totala antalet bigram i båda strängarna. Den ger mer vikt åt gemensamma element än Jaccard.

För korta strängar med stavfel (namn, koder), använd Levenshtein eller Jaro-Winkler. För längre texter är cosinus-likhet bäst. För snabb mängdjämförelse, använd Jaccard.

Ett n-gram är en sammanhängande sekvens av n tecken från en sträng. Till exempel är bigrammen av "hello": "he", "el", "ll", "lo". N-gram är byggstenarna i många likhetsalgoritmer.

Fuzzy matching hittar strängar som ungefär matchar ett mönster, inte exakt. Det används i sökmotorer, stavningskontroller och datarensning.

Nej, alla beräkningar utförs lokalt i din webbläsare. Din text lämnar aldrig din enhet. Det finns ingen server-side bearbetning eller datalagring.

Ja, algoritmerna fungerar med alla Unicode-tecken. Däremot kan resultaten variera eftersom olika språk har olika teckenstrukturer.